![]() |
هوش جمعی
فرض كنید شما و گروهی از دوستانتان به دنبال گنج میگردید. هر یك از اعضای گروه یك فلزیاب و یك بیسیم دارد كه میتواند مكان و وضعیت كار خود را به همسایگان نزدیك خود اطلاع بدهد. بنابراین شما میدانید آیا همسایگانتان از شما به گنج نزدیكترند یا نه؟ پس اگر همسایهای به گنج نزدیكتر بود شما میتوانید به طرف او حركت كنید. با چنین كاری شانس شما برای رسیدن به گنج بیشتر میشود و همچنین گنج زودتر از زمانی كه شما تنها باشید، پیدا میشود.
این یك مثال ساده از رفتار جمعی یا Swarm behavior است كه افراد برای رسیدن به یك هدف نهایی همكاری میكنند. این روش مؤثرتر از زمانی است كه افراد جداگانه عمل كنند. Swarm را میتوان به صورت مجموعهای سازمان یافته از موجوداتی تعریف كرد كه با یكدیگر همكاری میكنند. در كاربردهای محاسباتی Swarm intelligence از موجوداتی مانند مورچهها، زنبورها، موریانهها، دستههای ماهیان و دستهی پرندگان الگو برداری میشود. در این نوع اجتماعات هر یك از موجودات ساختار نستباً سادهای دارند ولی رفتار جمعی آنها بینهایت پیچیده است. برای مثال در كولونی مورچهها هر یك از مورچهها یك كار سادهی مخصوص را انجام میدهد ولی به طور جمعی عمل و رفتار مورچهها، ساختن بهینهی لایهء محافظت از ملكه و نوزادان، تمیز كردن لانه، یافتن بهترین منابع غذایی و بهینهسازی استراتژی حمله را تضمین میكند. رفتار كلی یك Swarm به صورت غیر خطی از آمیزش رفتارهای تكتك اجتماع بدست میآید یا به عبارتی یك رابطهی بسیار پیچیده بین رفتار جمعی و رفتار فردی یك اجتماع وجود دارد. رفتار جمعی فقط وابسته به رفتار فردی افراد اجتماع نیست بلكه به چگونگی تعامل میان افراد نیز وابسته است. تعامل بین افراد، تجربهی افراد دربارهی محیط را افزایش میدهد و موجب پیشرفت اجتماع میشود. ساختار اجتماعی Swarm بین افراد مجموعه كانالهای ارتباطی ایجاد میكند كه طی آن افراد میتوانند به تبادل تجربههای شخصی بپردازند، مدلسازی محاسباتی Swarmها كاربردهای موفق و بسیاری را در پی داشته است مانند: كد:
Function optimization Particle Swarm Optimization : PSO الگوریتم PSO یك الگوریتم جستجوی اجتماعی است كه از روی رفتار اجتماعی دستههای پرندگان مدل شده است. در ابتدا این الگوریتم به منظور كشف الگوهای حاكم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شكل بهینهی دسته به كار گرفته شد. در PSO، particleها در فضای جستجو جاری میشوند. تغییر مكان particleها در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر particleهای Swarm روی چگونگی جستجوی یك particle اثر میگذارد. نتیجهی مدلسازی این رفتار اجتماعی فرایند جستجویی است كه particleها به سمت نواحی موفق میل میكنند. Particleها در Swarm از یكدیگر میآموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود میروند. Particle swarm Optimitation Algorithm فرض كنید میخواهیم زوج مرتب [x,y] را طوری بدست آوریم كه تابع F(x,y)=x2+y2، مینیمم شود. ابتدا نقاطی را به صورت تصادفی در فضای جستجو، روی صفحهی x-y انتخاب میكنیم. فرض كنید این Swarm را به 3 همسایگی تقسیم كنیم كه در هر همسایگی نقاط موجود با یكدیگر تعامل دارند. در هر همسایگی هر یك از نقاط به سمت بهترین نقطه در آن همسایگی و بهترین مكانی كه آن نقطه تاكنون در آن قرار داشته است، حركت میكند. برای حل یك مسئله چند متغیر بهینهسازی میتوان از چند Swarm استفاده كرد كه هر یك از Swarmها كار مخصوصی را انجام میدهند. این همان ایدهای است كه Ant colony از آن ریشه میگیرد. از آنجا كه دانش Swarm intelligence بسیار جدید است در حال حاضر كاربردهای كمی از آن شناخته شده است. ولی صاحبنظران معتقدند با این رشد روزافزون، Swarm intelligence میتواند نقش مهمی را در علوم مختلف از جمله مهندسی نفت ایفا كند. تهیه کنندگان: منبع:نیما حمیدیان دانشجوی مهندسی حفاری حامد دارابی دانشجوی مهندسی بهره برداری كد:
http://www.petroleumtimes.com/articles/index.php |
شبیه سازی فوتبال
اینطوری که من فهمیدم این دقیقا تو شبیه سازی های فوتبال به کار برده میشه یعنی هر بازیکن یک کار خاص داره و همه این بازیکنان با توجه به هوش و تمرینات خود تیم رو تشکیل میدن
|
این الگوریتم ها، الگوریتم های بهینه سازی هستند معمولا، اما درسته بصورت جمعی سعی می کنند یک هدف رو که بهینه سازی هست انجام بدن.
فوتبال یه جور MAS یا Multi Agent System هست که هر شخص نهایت سعیش رو میکنه که هدف اصلی تیم به بهترین نحو انجام بشه. مثلا توی فوتبال سعی همه بر اینه که بیشترین گل رو بزنند و کمترین گل رو بخورن. حالت پیشرفته تر از اون DMAS هست که توی اون نوع ایجنت ها هم فرق می کنه مثل شبیه ساز امداد در مسابقات روبوکاپ که آتش نشان، آمبولانس و پولیس داره و هدف وارد شدن کمترین خسارت جانی و مالی به شهر هست. |
ميشه در مورد متغيرهاي بهينه سازي توضيحي بديد.
|
از بيان متغير بهينه سازي منظوره و مفهوم خاصي داريد يا اينكه يه اسمه؟
|
هوش جمعی (Swarm Intelligence) نوعی روش هوش مصنوعی است که مبتنی بر رفتارهای جمعی در سامانههای نامتمرکز و خودسامانده بنیان شده است. این سامانهها معمولاً از جمعیتی از کنشگران ساده تشکیل شده است که بطور محلی با یکدیگر و با محیط خود در تعامل هستند. با وجود اینکه معمولاً هیچ کنترل تمرکزیافتهای، چگونگی رفتار کنشگران را به آنها تحمیل نمیکند، تعاملات محلی آنها به پیدایش رفتاری عمومی میانجامد. مثالهایی از چنین سیستمهای را میتوان در طبیعت مشاهده کرد؛ گروههای مورچهها، دستهٔ پرندگان، گلههای حیوانات، تجمعات باکتریها و دستههای ماهیها.
روباتیک ازدحامی، کاربردی از اصول هوش مصنوعی ازدحامی در تعداد زیادی از روباتهای ارزان قیمت است. روشهای هوش ازدحامی از موارد روشهای فرااکتشافی میتوان به موارد زیر اشاره کرد • روش بهینهسازی گروه مورچهها یا ACO • الگوریتم کوچ پرستوها یا روش بهینهسازی ازدحام ذرات PSO • روش شبیهسازی کورهای • روش جستجوی مبتنی بر منع • روش محاسبات تکاملی دو روش اول موفقترین روشهای هوش مصنوعی ازدحامی که تاکنون وجود دارند. الگوریتم مورچهها روش ACO، نوعی روش فرااکتشافی است که برای یافتن راهحلهای تقریبی برای مسائل بهینهسازی ترکیبیاتی مناسب است. روش ACO، مورچههای مصنوعی بهوسیلهٔ حرکت بر روی گرافِ مساله و با باقی گذاشتن نشانههایی بر روی گراف، همچون مورچههای واقعی که در مسیر حرکت خود نشانههای باقی میگذارند، باعث میشوند که مورچههای مصنوعی بعدی بتوانند راهحلهای بهتری را برای مساله فراهم نمایند. الگوریتم کوچ پرستوها روش PSO یک روش سراسری کمینهسازی است که با استفاده از آن میتوان با مسائلی که جواب آنها یک نقطه یا سطح در فضای n بعدی میباشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح میشود و یک سرعت ابتدایی به آنها اختصاص داده میشود، همچنین کانالهای ارتباطی بین ذرات درنظر گرفته میشود. سپس این ذرات در فضای پاسخ حرکت میکنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازهٔ زمانی محاسبه میشود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب میگیرند. مزیت اصلی این روش بر استراتژیهای کمینهسازی دیگر این است که، تعداد فراوان ذرات ازدحام کننده، باعث انعطاف روش در برابر مشکل پاسخ کمینهٔ محلی میگردد. جذابیت هوش ازدحامی در فناوری اطلاعات همگونیهایی بین مسائل متفاوت در حوزهٔ فناوری اطلاعات و رفتارهای حشرات اجتماعی وجود دارد : • سامانهای توزیعشده از کنشگرهای مستقل و تعاملکننده. • اهداف: بهینهسازی کارآیی و توان. • خودتنظیمبودن در روشهای کنترل و همکاری به شکل نامتمرکز. • توزیع کار و اختصاص وظایف به شکل توزیعشده. • تعاملات غیرمستقیم. مراحل طراحی یک سامانه مراحل طراحی یک سامانه با کاربردهای فناوری اطلاعات بر مبنای هوش مصنوعی ازدحامی فرآیندی سه مرحلهای است : • شناسایی همسانیها: در سامانههای IT و طبیعت. • فهم: مدلسازی رایانهای روش ازدحامی طبیعی به شکل واقعگرا. • مهندسی: سادهسازی مدل و تنظیم آن برای کاربردهای IT. کاربردهای فعلی و آتی • مسیریابی در شبکه. • سامانههای توزیعشدهٔ رایانهای. • اختصاص منابع به شکل بهینه. • زمانبندی وظایف. • بهینهسازی ترکیبیاتی. • روباتیک: o بررسی سیستمهای لولهکشی. o تعمیرات و نگهداری ماهوارهها و کشتیها. o روباتهای خود-مونتاژ. منابع Swarm Intelligence. در دانشنامهٔ ویکیپدیا انگلیسی. |
سلام- تحقیقی می خواستم که موضوع آن به صورت زیر است:
چند نوع هوش گروهی در جهان وجود دارد تمام آنها را به صورت کامل توضیح دهید و الگوریتم آنها- بهینه سازی الگوریتم را هم میخواهم؟ به ایمیل ام بفرستید arezoodelijeh@yahoo.com |
تعداد مقالات در مورد هوش جمعی و انواع اون زیاد هست
سخته و زمان میبره که اونها رو شناسایی کرد ولی در عنوان تاپیک های صفحه اصلی چند تایی آورده شده است. |
با سلام خدمت همه ى دوستان عزيز
دنبال مقاله اي هستم كه به مقايسه الكوريتم هاي مبتني برهوش تكاملي مثل pso و رقابت استمعاري وbee وشبيه ساز ذوب برداخته باشد خيلي واجبه ممنون ميشم راهنماييم كنيد |
سلام خسته نباشید
من یک نمونه پیاده سازی یا یک نمونه عملی برای پروژه هوش جمعی و کاربرد آن میخواستم که برای فصل 4 پایان نامم بذارم استادم خیلی تاکید به نمونه عملی داره یا اینکه هوش جمعی با چه نرم افزاری کار میکنه به این صورت... ممنون میشم کمکم کنید و پاسخ گوی من باشید هرچه زودتر |
زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۱۱:۴۵ قبل از ظهر ميباشد. |
Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2025, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.